Población de países del Banco Mundial

Vamos a importar los datos world_bank_pop.csv. Lo primero siempre es cargar las paqueterías necesarias.

library(tidyverse)
library(lubridate)
library(patchwork)
library(tidyquant)
library(plotly)

Vamos a cargar los datos. Para que sea más fácil y reproducible su R Notebook, es necesario que estén guardados dentro de la carpeta en donde se encuentra su proyecto.

wb_pop <- read_csv("data/world_bank_pop.csv")
Parsed with column specification:
cols(
  .default = col_double(),
  country = col_character(),
  indicator = col_character()
)
See spec(...) for full column specifications.
wb_pop

Vemos que los datos no están limpios.

Lo primero que tenemos que hacer es pasar los años a filas. Usaremos pivot_longer() de la paquetería tidyr.

wb_pop_long <-  wb_pop %>% 
  pivot_longer(cols = -c(country, indicator),
               names_to = "año", values_to = "valor"
               ) %>%
  mutate(año = as.integer(año))
wb_pop_long

Ahora queremos pasar los indicadores a columnas distintas.

wb_pop_long %>% 
  pivot_wider(names_from = indicator,
              values_from = valor)

Pudimos haber hecho estos dos pasos en uno solo, con ayuda de los pipes (%>%).

wb_pop_tidy <- wb_pop %>% 
  # primero pasamos los años a filas
  pivot_longer(cols = -c(country, indicator),
               names_to = "año", values_to = "valor"
               ) %>% 
  # cambiamos los años para que sean números enteros
  mutate(año = as.integer(año)) %>% 
  # ahora pasamos los indicadores a columnas
  pivot_wider(names_from = indicator,
              values_from = valor) %>% 
  # cambio la variable country a factores
  mutate(country = as_factor(country))

wb_pop_tidy

Si quisiéramos ver solo los datos para México, podemos usar filter().

Para quedarnos solo con datos de México:

wb_pop_tidy %>% 
  filter(country == "MEX")

Para quedarnos con datos de México y solo las variables de año y población urbana total:

wb_pop_tidy %>% 
  filter(country == "MEX") %>% 
  select(año, SP.URB.TOTL)

Ahora, si quisiéramos todas las variables, menos SP.URB.TOTL, para México y Brasil:

wb_pop_tidy %>% 
  filter(country %in% c("MEX","BRA")) %>% 
  select(-SP.URB.TOTL)

Si queremos deducir cuál es la población rural por país, tendríamos que agregar una nueva variable. Lo haremos con mutate().

wb_pop_tidy %>% 
  filter(country %in% c("MEX","BRA","CAN")) %>% 
  mutate(pob_rural = SP.POP.TOTL - SP.URB.TOTL)

Si quisiéramos saber el % de la población que vive en las zonas rurales, podríamos hacerlo igualmente con mutate().

wb_pop_tidy <-  wb_pop_tidy %>% 
  filter(country %in% c("MEX","BRA","CAN")) %>% 
  mutate(pob_rural = SP.POP.TOTL - SP.URB.TOTL,
         pct_rural = pob_rural / SP.POP.TOTL,
         pct_urbana = 1 - pct_rural)
wb_pop_tidy

Vamos a graficar el crecimiento de la población total a lo largo del tiempo.

g <- ggplot(data = wb_pop_tidy, aes(x = año, color = country))

g + geom_line(aes(y = SP.POP.TOTL)) +
  labs(title = "Crecimiento de la población en el tiempo",
       y = "Población total",
       x = "",
       color = "") 

Podemos utilizar una escala logarítmica en el eje y para visualizar mejor los datos.

g + geom_line(aes(y = SP.POP.TOTL)) + scale_y_log10()

g + geom_line(aes(y = pct_rural)) +
  geom_line(aes(y = pct_urbana))

g + geom_line(aes(y = pct_rural)) +
  geom_line(aes(y = pct_urbana)) +
  facet_wrap(~ country)

p1 <- g + geom_line(aes(y = pct_rural)) +
  theme(legend.position = "none")

p2 <- g + geom_line(aes(y = pct_urbana)) + 
  theme(legend.position = "none")

p3 <- g + geom_line(aes(y = SP.POP.TOTL)) + scale_y_log10()
p1 + p2 + p3


p1 / p2 /p3


p3 / (p1 + p2) + 
  plot_annotation(title = "Acomodando varias gráficas con patchwork",
                  subtitle = "Población total y evolución de la población urbana y rural")

Si quisiéramos graficar por separado cada una de las variables, podríamos crear un código genérico y solo cambiar la variable y. Algo como:

p <- wb_pop_tidy %>% 
  ggplot(aes(x = año, color = country)) + geom_line()

p + aes(y = SP.URB.TOTL)

p + aes(y = SP.URB.GROW)

p + aes(y = SP.POP.TOTL)

p + aes(y = SP.POP.GROW)

p + aes(y = pob_rural)

p + aes(y = pct_rural)

p + aes(y = pct_urbana)

Sin embargo, aunque pudimos ahorrarnos bastante código guardando la estructura básica de cada gráfica en p, tuvimos que repetir varias veces lo mismo y nos quedaron gráficas separadas. Si lo que necesitamos es tener todas en una misma imagen, podríamos unirlas con patchwork, pero sería más trabajo.

En cambio, podemos hacer un hack y utilizar pivot_longer() para lograr hacer esto en un solo paso:

wb_pop_tidy %>% 
  # pasamos todas las columnas de variables a una sola
  pivot_longer(cols = -c(country, año),
               names_to = "indicador",
               values_to = "valor") %>% 
  # graficamos y separamos por facetas cada indicador
  ggplot(aes(x = año, y = valor, color = country)) +
  geom_line() + 
  facet_wrap(~ indicador, scales = "free_y")

Ventas de autos totales en EEUU

autos <- tq_get("TOTALNSA", get = "economic.data", 
                from = "1977-01-01")
autos

Vamos a quitar la variable symbol que no nos aporta información relevante (con select()), y vamos a renombrar la variable price para que se llame ventas.

autos <- autos %>% 
  select(-symbol) %>% 
  rename(ventas = price)
autos
autos %>%
  slice_tail(n = 10)
p <- autos %>% 
  ggplot(aes(x = date, y = ventas)) +
  geom_line()

p

ggplotly(p)

Esta gráfica nos muestra que la serie presenta una fuerte estacionaliadad

Agregando líneas y etiquetas para mostrar las crisis.

p + 
  geom_vline(xintercept = dmy("01-10-2008"),
             linetype = "dashed", 
             color = "red",
             size = 1.5) +
  geom_vline(xintercept = ymd("2020-03-01"),
             linetype = "dotted", 
             color = "darkgreen",
             size = 1.5) + 
  annotate(geom = "label", 
           x = c(ymd("2008-10-01"),
                 ymd("2020-03-01")),
           y = c(1700,1700), 
           label = c("Inmobiliaria '08", "COVID-19"), 
           color = c("red", "darkgreen"), 
           size = 3) +
  labs(title = "Ventas totales de autos en EEUU",
       x = "",
       y = "Miles de unidades"
       ) +
  theme_minimal()

p + geom_hline(yintercept = max(autos$ventas),
               linetype = 4, 
               size = 1.2, 
               color = "purple") +
  geom_hline(yintercept = min(autos$ventas),
             linetype = 5, 
             size = 1.2, 
             color = "turquoise1") +
geom_hline(yintercept = mean(autos$ventas), 
           linetype = 8, 
           size = 1, 
           color = "orchid2") +
  annotate("label",
           x = ymd("1980-01-01"),
           y = c(max(autos$ventas), 
                 min(autos$ventas), 
                 mean(autos$ventas)), 
           label = c("Máximo histórico", 
                     "Mínimo", 
                     "Ventas promedio"),
           color = c("purple",
                     "turquoise1", 
                     "orchid2"))

---
title: "Importación y limpieza de datos"
author: "Pablo Benavides Herrera"
date: 2020-06-01
output: 
  html_notebook:
    theme: united
    highlight: tango
    toc: TRUE
    toc_float: TRUE
---

# Población de países del Banco Mundial

Vamos a importar los datos `world_bank_pop.csv`. Lo primero siempre es cargar las paqueterías necesarias.

```{r, message=FALSE}
library(tidyverse)
library(lubridate)
library(patchwork)
library(tidyquant)
library(plotly)
```

Vamos a cargar los datos. Para que sea más fácil y reproducible su R Notebook, es necesario que estén guardados dentro de la carpeta en donde se encuentra su proyecto.

```{r}
wb_pop <- read_csv("data/world_bank_pop.csv")
wb_pop
```

Vemos que los datos no están limpios.

Lo primero que tenemos que hacer es pasar los años a filas. Usaremos `pivot_longer()` de la paquetería `tidyr`.

```{r}
wb_pop_long <-  wb_pop %>% 
  pivot_longer(cols = -c(country, indicator),
               names_to = "año", values_to = "valor"
               ) %>%
  mutate(año = as.integer(año))
wb_pop_long
```


Ahora queremos pasar los indicadores a columnas distintas.

```{r}
wb_pop_long %>% 
  pivot_wider(names_from = indicator,
              values_from = valor)
```

Pudimos haber hecho estos dos pasos en uno solo, con ayuda de los pipes (` %>% `).

```{r}
wb_pop_tidy <- wb_pop %>% 
  # primero pasamos los años a filas
  pivot_longer(cols = -c(country, indicator),
               names_to = "año", values_to = "valor"
               ) %>% 
  # cambiamos los años para que sean números enteros
  mutate(año = as.integer(año)) %>% 
  # ahora pasamos los indicadores a columnas
  pivot_wider(names_from = indicator,
              values_from = valor) %>% 
  # cambio la variable country a factores
  mutate(country = as_factor(country))

wb_pop_tidy
```

Si quisiéramos ver solo los datos para México, podemos usar `filter()`.

Para quedarnos solo con datos de México:
```{r}
wb_pop_tidy %>% 
  filter(country == "MEX")
```

Para quedarnos con datos de México y solo las variables de año y población urbana total:

```{r}
wb_pop_tidy %>% 
  filter(country == "MEX") %>% 
  select(año, SP.URB.TOTL)
```

Ahora, si quisiéramos **todas** las variables, menos `SP.URB.TOTL`, para México y Brasil:

```{r}
wb_pop_tidy %>% 
  filter(country %in% c("MEX","BRA")) %>% 
  select(-SP.URB.TOTL)
```

Si queremos deducir cuál es la población rural por país, tendríamos que agregar una nueva variable. Lo haremos con `mutate()`.

```{r}
wb_pop_tidy %>% 
  filter(country %in% c("MEX","BRA","CAN")) %>% 
  mutate(pob_rural = SP.POP.TOTL - SP.URB.TOTL)
```

Si quisiéramos saber el % de la población que vive en las zonas rurales, podríamos hacerlo igualmente con `mutate()`.

```{r}
wb_pop_tidy <-  wb_pop_tidy %>% 
  filter(country %in% c("MEX","BRA","CAN")) %>% 
  mutate(pob_rural = SP.POP.TOTL - SP.URB.TOTL,
         pct_rural = pob_rural / SP.POP.TOTL,
         pct_urbana = 1 - pct_rural)
wb_pop_tidy
```

Vamos a graficar el crecimiento de la **población total** a lo largo del tiempo.

```{r}
g <- ggplot(data = wb_pop_tidy, aes(x = año, color = country))

g + geom_line(aes(y = SP.POP.TOTL)) +
  labs(title = "Crecimiento de la población en el tiempo",
       y = "Población total",
       x = "",
       color = "") 
```

Podemos utilizar una escala logarítmica en el eje *y* para visualizar mejor los datos.

```{r}
g + geom_line(aes(y = SP.POP.TOTL)) + scale_y_log10()
```

```{r}
g + geom_line(aes(y = pct_rural)) +
  geom_line(aes(y = pct_urbana))
```

```{r}
g + geom_line(aes(y = pct_rural)) +
  geom_line(aes(y = pct_urbana)) +
  facet_wrap(~ country)
```

```{r}
p1 <- g + geom_line(aes(y = pct_rural)) +
  theme(legend.position = "none")

p2 <- g + geom_line(aes(y = pct_urbana)) + 
  theme(legend.position = "none")

p3 <- g + geom_line(aes(y = SP.POP.TOTL)) + scale_y_log10()
```


```{r}
p1 + p2 + p3

p1 / p2 /p3

p3 / (p1 + p2) + 
  plot_annotation(title = "Acomodando varias gráficas con patchwork",
                  subtitle = "Población total y evolución de la población urbana y rural")
```
```{r}
wb_pop_tidy %>% 
  pivot_longer(cols = c(pct_rural, pct_urbana),
               names_to = "zona", 
               values_to = "porcentajes") %>% 
  ggplot(aes(x = año, y = porcentajes, fill = zona)) +
  geom_area() + facet_wrap(vars(country))
```

Si quisiéramos graficar por separado cada una de las variables, podríamos crear un código genérico y solo cambiar la variable `y`. Algo como:

```{r}
p <- wb_pop_tidy %>% 
  ggplot(aes(x = año, color = country)) + geom_line()

p + aes(y = SP.URB.TOTL)
p + aes(y = SP.URB.GROW)
p + aes(y = SP.POP.TOTL)
p + aes(y = SP.POP.GROW)
p + aes(y = pob_rural)
p + aes(y = pct_rural)
p + aes(y = pct_urbana)
```
Sin embargo, aunque pudimos *ahorrarnos* bastante código guardando la estructura básica de cada gráfica en `p`, tuvimos que repetir varias veces lo mismo y nos quedaron gráficas separadas. Si lo que necesitamos es tener todas en una misma imagen, podríamos unirlas con `patchwork`, pero sería más trabajo.

En cambio, podemos hacer un *hack* y utilizar `pivot_longer()` para lograr hacer esto en un solo paso:

```{r}
wb_pop_tidy %>% 
  # pasamos todas las columnas de variables a una sola
  pivot_longer(cols = -c(country, año),
               names_to = "indicador",
               values_to = "valor") %>% 
  # graficamos y separamos por facetas cada indicador
  ggplot(aes(x = año, y = valor, color = country)) +
  geom_line() + 
  facet_wrap(~ indicador, scales = "free_y")
```




# Ventas de autos totales en EEUU

```{r}
autos <- tq_get("TOTALNSA", get = "economic.data", 
                from = "1977-01-01")
autos
```

Vamos a quitar la variable `symbol` que no nos aporta información relevante (con `select()`), y vamos a renombrar la variable `price` para que se llame `ventas`.

```{r}
autos <- autos %>% 
  select(-symbol) %>% 
  rename(ventas = price)
autos
```

```{r}
autos %>%
  slice_tail(n = 10)
```


```{r}
p <- autos %>% 
  ggplot(aes(x = date, y = ventas)) +
  geom_line()

p
ggplotly(p)
```

Esta gráfica nos muestra que la serie presenta una fuerte **estacionaliadad**


Agregando líneas y etiquetas para mostrar las crisis.

```{r}
p + 
  geom_vline(xintercept = dmy("01-10-2008"),
             linetype = "dashed", 
             color = "red",
             size = 1.5) +
  geom_vline(xintercept = ymd("2020-03-01"),
             linetype = "dotted", 
             color = "darkgreen",
             size = 1.5) + 
  annotate(geom = "label", 
           x = c(ymd("2008-10-01"),
                 ymd("2020-03-01")),
           y = c(1700,1700), 
           label = c("Inmobiliaria '08", "COVID-19"), 
           color = c("red", "darkgreen"), 
           size = 3) +
  labs(title = "Ventas totales de autos en EEUU",
       x = "",
       y = "Miles de unidades"
       ) +
  theme_minimal()
```


```{r}
p + geom_hline(yintercept = max(autos$ventas),
               linetype = 4, 
               size = 1.2, 
               color = "purple") +
  geom_hline(yintercept = min(autos$ventas),
             linetype = 5, 
             size = 1.2, 
             color = "turquoise1") +
geom_hline(yintercept = mean(autos$ventas), 
           linetype = 8, 
           size = 1, 
           color = "orchid2") +
  annotate("label",
           x = ymd("1980-01-01"),
           y = c(max(autos$ventas), 
                 min(autos$ventas), 
                 mean(autos$ventas)), 
           label = c("Máximo histórico", 
                     "Mínimo", 
                     "Ventas promedio"),
           color = c("purple",
                     "turquoise1", 
                     "orchid2"))
```






